一、专家预测法 二、Delphi法 三、主观概率法

通过将迟滞特性引入神经元激励函数的方式，构造了一种前向型迟滞神经网络模型.结合卡尔曼滤波方法，将其应用于风速时间序列的预测分析中.在原始风速时间序列的基础上，构造出风速变化率序列.采用迟滞神经网络分别对两种序列进行预测分析，并将预测结果利用卡尔曼滤波方法进行融合，从而得到最优预测估计结果.仿真实验结果表明，迟滞神经网络具有更加灵活的网络结构，能够有效改善网络的泛化能力，预测性能优于传统神经网络.采用卡尔曼滤波方法对预测结果进行融合后能够进一步提高预测精度，降低预测误差

1时间序列概述 时间序列指将预测对象的历史数据按照时 间顺序排列的序列,就称为时间序列

一、概念 时间序列市场预测法，是一种重要的定量预测方法。 1、时间序列预测法的定义 时间序列预测法是根据市场现象的历史资料，运用科学的数学方法建立预测模型，使市场现象的数量向未来延伸，预测市场现象未来的发展变化趋势，预计或估计市场现象未来表现的数量。时间序列市场预测法又称历史延伸法或趋势外推法

第一节预测的概念和发展 第二节预测的种类和方法(重点) 第三节决策技术(重点)

供水预测 (一)基本情况与基本要求 (二)地表水供水 (三)地下水供水 (四)其他水源开发利用 (五)供水预测与供水方案

针对目前锂离子电池寿命预测结果不准确的问题，提出了一种多模态分解的锂离子电池组合预测模型，从而学习锂离子电池退化过程的微小变化。该方法在单一长短期记忆（LSTM）预测模型的基础上，采用了自适应噪声完全集成的经验模态分解(CEEMDAN)算法将锂电池容量分为主退化趋势和若干局部退化趋势，然后使用长短期记忆神经网络（LSTMNN）算法分别对所分解的若干退化数据进行寿命预测，最后将若干预测结果进行有效集成。结果表明，所提出的CEEMDAN?LSTM锂离子电池组合预测模型最大平均绝对百分比误差不超过1.5%，平均相对误差在3%以内，且优于其他预测模型

预测主要是用来说明现实与未来的因果关系。 一、未来与预测的对象 1、与预测相联系的未来主要有三种情形:潜在性未来;可能性未来;规范性未来。 2、预测的对象主要有四种:现有政策后果的预测;新政策后果的预测;新政策内容的预测;政策参与者和相关权力主体行为的预测

一、预测及其构成要素 二、预测的基本原则 三、预测的产生和发展 四、预测的分类 五、预测的基本程序和步骤 六、预测结果的准确度

§4.1 预测分析概述 ◼ §4.1.1 预测分析的基本原理 ◼ §4.1.2 预测分析的方法 ◼ §4.1.3 预测分析的一般程序 §4.2 销售量预测分析 §4.3 成本预测分析（略） §4.4 资金需求量预测分析（略）